Question

阅读some related questions让我思考HTML的理论性质。

我不是在谈论类似XHTML的代码。我正在谈论像这个疯狂的标记，这是完全有效的HTML（！）

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01//EN">
<html<head>
<title//
<p ltr<span id=p></span</p>
</>

因此，鉴于SGML注入的巨大复杂性，HTML是一种无上下文的语言吗？这是一种正式的语言吗？用语法？

HTML5怎么样？

<子> 我是正式语言概念的新手，所以请耐心等待。是的，我已阅读维基百科的文章;）

Answer 1

Context Free 是语言理论中的一个概念，它在解析器实现中具有重要意义。 上下文免费语言可以用上下文免费语法来描述，其中所有规则在箭头左侧都有一个非终端符号：

X→δ

这个简单的限制允许X被左边出现的规则的右边所取代，而不考虑之前或之后的内容。例如，如果派生或解析一个到达时：

αXλ

一个人确定

αδλ

也有效。非上下文无关规则的示例如下：

XY→δ
Xa→δ
aX→δ

那些需要知道什么可以导出ar X以确定规则是否适用，并导致非确定性（X周围的内容也想知道它的来源），这在解析中是禁止的，在任何情况下我们都希望语言定义明确。

证明某种语言是无上下文的唯一方法是证明它有一个无上下文的语法，这不是一件容易的事。 CFG已经描述了大多数编程语言，因此完成了工作。但是还有其他语言，包括使用逻辑或简单英语描述的编程语言，因此需要工作来查找它们是否是无上下文的。

对于HTML，关于其上下文自由的答案是肯定的。 SGML是一个定义良好的上下文无关语言，在其上定义的HTML也是一个CFL。 Web上有两种语言的解析器和语法。无论如何，有效 HTML的there exist LL(k) grammars足以证明该语言是无上下文的，因为LL是CF的经过验证的子集。

但HTML在Web生活中的演变方式迫使浏览器将其视为未定义的。现代Web浏览器将竭尽全力尝试从他们发现的几乎任何东西中渲染出合理的东西。他们使用的语法不是CFG，解析器远比SGML / HTML所需的语法复杂。

HTML在几个级别定义。

在词汇级别，有有效字符，标识符，字符串等的规则。
下一级是XML，它由定义分层文档结构的开始和结束<tags>组成。您可以出于任何目的使用XML或类似XML的东西，例如Apache Ant用于构建脚本。
下一级是HTML中有效的标签，以及哪些标签可以嵌套在哪些标签中的规则。
下一级是关于哪些属性对哪些标签有效的规则，可以嵌入HTML中的语言，如CSS和JavaScript。
最后，您有关于给定HTML文档的含义的语义规则。

语法部分定义得足够好，可以是verified。语义部分比语法部分大得多，并且是根据关于HTTP的浏览器动作和Document Object Model（DOM）以及如何将模型呈现到屏幕来定义的。

最后：

解析正确的HTML非常容易（它没有上下文和LL / LR）。
解析实际存在于Web上的HTML很困难。
在HTML / CSS / DOM上实现语义（浏览器）非常困难。

Answer 2

有效的HTML不是无上下文的语言。

首先，作为SGML应用程序的HTML对于所有实际用途都是虚构的，因此分析SGML来回答这个问题是没用的。（但是，SGML小说可能也不具备上下文。）

查看实际定义的HTML解析算法更有用。它适用于两个级别：标记化和树构建。在讨论解析器时，HTML调用标记化是比通常称为标记化的更高级别的操作。对于HTML，标记化将字符流拆分为单元，如开始标记，结束标记，注释和文本。标记化器扩展了字符引用。通常，在谈论解析器时，您可能会将小于号的符号视为“令牌”，并将字符引用视为由令牌组成，而不是由令牌化程序解析。

如果考虑将输入流拆分为标记的过程，那么HTML语言的级别是常规的（除了以获得树构建器的反馈）。

然而，有三个并发症：第一个是将输入流拆分为令牌只是第一个，然后是树构建器的一方实际上关心令牌中的标识符。第二个是树构建器反馈到tokenizer，以便tokenizer进行的某些状态转换取决于树构建器的状态！第三个是语言中的有效文档由适用于树构建器阶段输出的规则定义，并且这些规则足够复杂，无法使用树自动机完全定义（由RELAX NG表示不具有表现力）足以描述所有有效性约束。）

这不是一个真实的证明，但你可以通过从并发症＃2和＃3开始制作真实的证据。

请注意，无效文档的情况并不是特别有趣，因为这个语言是否是无上下文的问题，因为存在无上下文语法，该语法生成所有可能的字符串，而不考虑具有解析树的语法根据HTML解析器生成的树进行一些可理解的解释。 HTML解析器将成功使用所有可能的字符串，因此从这个意义上说，所有可能的字符串都是“无效的HTML”语言。

编辑：有趣的问题留给读者阅读：

HTML是否没有解析错误，但忽略了无上下文语言的有效性？

HTML是否没有解析错误并忽略了一般有效性，但只有有效的元素名称才允许使用无上下文的语言？

（并发症＃2适用于两种情况。）

Answer 3

否

请参阅下面的编辑

~~取决于。~~

~~如果您正在讨论仅由理论HTML组成的子集，那么是。~~

如果你还包括现实生活，工作HTML，每天数百万人在互联网上的许多顶级网站上成功访问和使用，那么否。

这就是HTML的灵活性。解析引擎添加标签，关闭标签，并处理理论CFG无法做到的事情。如果您使用自动机，您可能还记得正式语法中的生产规则在lhs（左侧）上不能为空（也就是epsilon / lambda）。由于解析引擎基本上使用的是正式语法和自动机不能拥有的知识，因此不受此限制，并且“语法”将具有epsilon/lambda -> result，其中基于信息选择特定的epsilon / lambda规则语法中没有。

由于我认为任何正式语法都不允许空lhs，因此HTML不能通过正式语法定义，也不是正式语言。

当然，HTML5可能会尝试将移向一种“更正式”的语言描述，但它在现实中成为无上下文语言的可能性（即与语法不匹配的字符串被拒绝）是关于XHTML 2.0可能风靡世界并完全取代HTML（XHTML是他们使HTML成为正式语言的尝试......由于其脆弱性而被集体拒绝）。

值得注意的是，HTML 5是在实施之前要定义的第一个HTML标准！这是正确的，HTML 1-4包含一个人在浏览器中实现的随机想法，并在基于哪些功能被广泛使用和广泛实现的事实后被收集到标准中。然后他们尝试了XHTML，完全没有被采用。甚至网络上的“xhtml”也会在几乎所有情况下自动解析为HTML，以防止因为语法错误而破坏。现在你可以看到我们如何到达这里以及为什么它不太可能很快正式化。

教训：“从理论上讲，理论与实践之间没有区别。在实践中，有。” - Yogi Berra

编辑：

实际上，在阅读完文档之后，即使根据HTML 4.01规范，HTML实际上并不符合SGML。要自己查看，请在http://www.w3.org/TR/html4/strict.dtd查看HTML 4.01严格文档类型定义（doctype），并注意以下几行：

HTML 4.01规范包含其他内容无法表达的句法约束 DTD。

所以我会说，由于这些功能，可能可能不是CFL（虽然从技术上讲它并没有反驳假设有一些可能接受HTML 4.01的PDA，它确实可以防止SGML是CFL的论点因此HTML是CFL）。

HTML5触发器，abandoning any implied conformance to SGML，但可能是由CFG描述的。然而，它仍将提供不基于cfg的尽力解析，因此IMO当前情况（即正式定义语言规范，无效字符串仍然以最佳方式被接受，解析和呈现）在这方面不太可能长时间，长时间地彻底改变。

Answer 4

HTML5与以前的HTML版本不同，它严格定义了不完全正确的代码的解析行为。 HTML5之前的解析器各不相同，每个解析器都尽力“猜测”代码作者的意图。

HTML是无上下文的语言吗？

4 个答案:

否